华为大模型双子星创业，要做物理世界的Scaling Law

数亿元资金，投向了一场物理世界的基模实验。Physical AI创业公司息壤开物宣布，已连续完成数亿元种子轮及天使轮融资，由敦鸿资产领投，华控基金、三花控股、银杏谷资本、泽然资本、本坚基金、天使基石、标朴投资等跟投，估值达5亿美金。

公司创始人、CEO李寅，前华为云大模型CTO，华为大模型0-1阶段核心成员；联合创始人张含望教授，前华为多模态首席科学家。二人联手，瞄准具身智能尚未解决的底层难题：大语言模型之后，面向物理世界的下一阶段，是否仍需要一个基础模型？

息壤要做LPM（Large Physics Model）。即先从海量视频、机器人轨迹和真实交互中预训练一个物理基础模型，再让它进入不同本体和任务。在息壤定义中，LLM代表AI 1.0，主要学习已被人类抽象为语言、代码和公式的知识；Physical AI即“AI 2.0”，有质的不同。物理世界连续变化、可被行动改变，且每次行动背面存在无数可能。这种混沌且连续演化的复杂性，是仅在离散Token序列中进行概率预测的LLM无法处理的。物理世界没有可直接使用的抽象表征，模型只能从亿万次观察、行动与反馈中自己找到答案。这就是LPM要完成的任务，相当于再造大小脑。

息壤认为这一步有必要完成，原因很大程度源于团队在过往工业项目中意识到的VLA路线局限性。尽管VLA已证明视觉和语言信息可映射为机器人动作，但实际部署中大量模型仍需针对特定本体和任务增训。若机器人要进入家庭和公共服务场景，模型需具备通用能力，在新环境中保留已学到的物理知识。LPM希望提供这一能力底座。

目前，息壤在LPM方向已有乐观信号。据披露，息壤模型在World Arena 2.0 Track 1中，Trajectory Accuracy单项排名第一，Physical Adherence单项排名第二。前者考察模型预测物体运动轨迹是否准确，后者关注模型生成未来状态是否符合基本物理规律，均与LPM希望解决的问题直接相关。另一个信号来自Scaling effects：随着数据规模与训练规模增加，模型性能已出现初步提升趋势。

从团队构成看，息壤要做基模可能是认真的。李寅毕业于清华大学，曾任华为云盘古大模型CTO、行业大模型开发部部长，经历横跨基模训练与产业交付。基模侧，她曾带400人团队，依托百万小时视频数据集，在万卡算力集群上耗时2个月训出8B视频大模型；产业侧，她负责国内多地具身智能创新中心落地，交付智驾、矿山、金融、医疗、气象等30个行业200多家客户，每年带来数亿营收。张含望教授是前华为多模态首席科学家，南洋理工大学计算与数据科学学院教授、人工智能校长讲席教授，长期研究因果机器学习、多模态理解和模型泛化，累计发表论文228篇，被引超4.2万，H-index达81，曾入选IEEE“全球AI领域十大最值得关注的学者”，获新加坡总统科技奖青年科学家奖。二人分别代表华为大模型体系中工程产业侧与算法研究侧，使息壤既不同于单纯研究算法的实验室，也不同于围绕机器人本体承接项目的交付公司。

息壤内部设置Model、Data和System Infra三条能力线。Model团队负责统一生成模型与物理表征；Data团队建立多来源数据管线，处理仿真与真实数据；System Infra团队支撑大规模稳定训练和后续推理优化。

物理基模之难不亚于LLM。连续演化的“长程任务”是久攻不下的战场。以收拾桌面为例，机器人需先识别物体，再判断抓取顺序，规划移动路径，并根据每次动作后的环境变化不断调整策略。每一步都可能存在大量候选动作，若每时刻有b种选择，完成任务需连续决策H步，可能路径将增长到b^H，即“组合爆炸”。息壤选择自回归架构，与张含望对技术路线的理解有关。他认为宇宙本身可看作持续展开的巨大自回归过程，任一时刻世界状态承接此前演化，并与当下行动共同生成下一时刻。理论直觉可追溯至马尔可夫过程与贝尔曼递归：若当前状态已包含决策所需充分信息，此前漫长历史可被压缩进“当下”；长期任务价值可拆解为当前动作的即时收益与进入下一状态后的未来价值。